[发明专利]一种基于层间组合机制的图卷积网络推荐方法及装置

说明书

本发明公开了一种基于层间组合机制的图卷积网络推荐方法及装置，首先构建用户‑项目历史交互记录集合，构建商品的知识图谱，构建项目‑商品实体对齐集合，将用户和项目的交互行为与商品的知识图谱进行编码整合至统一的关系图数据结构中，生成用户与商品的协同知识图谱；然后通过图卷积网络对协同知识图谱中每个节点的特征信息进行图卷积操作，提取用户和商品特征；最后依次计算用户与各个商品特征向量的内积，按照内积的大小进行排序召回，最后将商品推荐给用户。本发明能够有效缓解传统基于图卷积网络推荐方法中的过度平滑问题，同时有着较强的泛化能力，从而提高推荐结果准确率。

技术领域

本发明属于商品推荐技术领域，具体涉及一种基于层间组合机制的图卷积网络推荐方法及装置。

背景技术

现实生活中许多数据并不具备规则的空间结构，如交易流水、社交网络、分子结构等非欧氏空间的图数据。这些图数据结构中每个节点的相邻结构都不尽相同。在上述图数据中，需要同时考虑节点的特征信息和结构信息，如果仅靠手工规则提取，将会失去很多隐蔽复杂的模式信息。图卷积网络(Graph Convolutional Network, GCN)作为一种对图数据进行深度学习的方法，通过在图中节点和边上制定相应的策略，将图数据结构转化为规范标准的表示，输入到多种不同的神经网络中进行训练，在节点分类、边信息传播和图聚类等任务上取得了优秀的成果，与其他图学习算法相比较，GCN能够学习到节点和边的结构特征以及更深层次的语义特征。由于对图结构数据强大的非线性拟合能力，在不同领域的图相关问题上，例如信息检索、推荐系统、贷款欺诈分析等场景中，GCN都表现出更高的准确率和更好的鲁棒性。

虽然图卷积网络在图结构数据上有着强大特征提取能力，但随着卷积层数和迭代次数的增加，非欧氏数据同一连通分量内的节点特征会趋向于收敛到相同的值，进而丢失节点自身的特征信息，该现象称为过度平滑问题(over-smoothing)。

发明内容

本发明目的在于针对现有技术的不足，提出一种基于层间组合机制的图卷积网络推荐方法及装置，能够缓解传统图卷积网络的过度平滑的问题。

本发明的目的是通过以下技术方案来实现的：第一方面，本发明提供了一种基于层间组合机制的图卷积网络推荐方法，该方法包括：

S1构建用户-项目历史交互记录集合；并构建商品的知识图谱；

S2基于用户-项目历史交互记录集合和商品的知识图谱构建项目-商品实体对齐集合；

S3基于项目-商品实体对齐集合，将用户和项目的交互行为与商品的知识图谱进行编码整合至统一的关系图数据结构中，生成用户与商品的协同知识图谱；

S4通过图卷积网络对协同知识图谱中每个节点的特征信息进行图卷积操作，提取用户和商品特征；具体为：对每个节点与其当前卷积层的邻居节点执行特征信息的图卷积操作，再对图卷积得到的特征信息执行非线性变换生成特征向量，然后进行下一层的图卷积操作，直到当前卷积层数大于预设的卷积层数，将不同层求得的特征向量进行加权求和从而生成协同知识图谱中节点的最终特征向量表示；

S5依次计算用户与各个商品特征向量的内积，按照内积的大小进行排序召回，最后将商品推荐给用户。

进一步地，用户-项目历史交互记录集合中，用户和项目交互记录使用变量表示，若则表示用户和项目有过交互行为，否则。

进一步地，在项目-商品实体对齐集合中，使用二元组代表交互记录中的项目与商品的知识图谱中的商品实体e存在一一对应的关系。

进一步地，构建用户与商品的协同知识图谱的具体步骤为：

S31 遍历用户-项目历史交互记录：在用户的列表中添加项目，在项目的列表中添加用户；